Intégrer des modèles ChatGPT dans les applications Python
- Durée
- Durée :3 jours
- Niveau
- Niveau :Fondamental
- Certification
- Certification :Non
2550€ HT
Prochaine session :
Déployer un modèle Machine Learning en production avec Python
Description de la formation Deploiement Machine Learning Python
Cette formation Déploiement Machine Learning Python permet aux participants de découvrir et d’apprendre les concepts clés du déploiement de modèles de machine learning (ML) en production. Elle combine l’utilisation des outils modernes comme MLflow, Prefect, FastAPI, et Google Cloud Run, tout en abordant les bonnes pratiques pour rendre les solutions robustes, scalables et maintenables.
Les participants exploreront l’intégration des modèles ML dans des environnements de production, les différentes méthodes de suivi et d’optimisation des performances, ainsi que l’orchestration des workflows ML. Enfin, ils seront capables de déployer des applications ML performantes, c’est-à-dire capables de répondre rapidement aux requêtes, de s’adapter à une forte charge de trafic et d’assurer une disponibilité continue, sur des infrastructures cloud modernes.
Programme de la formation
Objectif opérationnel :
Connaître les concepts clés du déploiement de modèles de machine learning (ML) en production dans un contexte Python.
Objectifs pédagogiques :
À l'issue de cette formation Déploiement Machine Learning Python, vous aurez acquis les connaissances et compétences nécessaires pour :
- Comprendre les différentes étapes de mise en production des modèles ML
- Utiliser MLflow pour suivre, versionner et gérer les expériences ML
- Créer et gérer des workflows automatisés avec Prefect
- Concevoir une API performante pour les modèles ML avec FastAPI
- Déployer et opérer des modèles ML sur Google Cloud Run
Introduction à la mise en production des modèles Machine Learning
Différences entre phase d’expérimentation et phase de production.Passage de l’expérimentation à la production : quelles sont les étapes clés et les enjeux ?
Principaux outils et frameworks modernes pour le déploiement ML.AtelierExploration d’un pipeline ML typique : les participants examineront chaque étape, depuis l’importation des données jusqu’à la mise en ligne du modèle, pour identifier les points critiques et les solutions adaptées.
Suivi et gestion des expériences avec MLflow
Concepts fondamentaux de MLflowArchitecture de MLflow : tracking server, modèles, artefacts.Pourquoi centraliser le suivi des expériences ?Mise en place d’un serveur MLflow localInstallation, configuration et gestion des permissions.
Intégration avec des solutions cloud pour stocker les artefacts (AWS, GCP)Enregistrement et versionnage des modèles MLComment structurer ses expériences pour faciliter leur réutilisation ?
Gestion des versions : stratégies pour tester plusieurs versions d’un modèle en production.Suivi des métriques et des hyperparamètresApproches pour visualiser les résultats et optimiser les modèles.AtelierLes participants configureront un environnement MLflow complet, créeront des expériences multiples, compareront les résultats et apprendront à extraire des insights clés pour améliorer les performances des modèles.
Orchestration des workflows ML avec Prefect
Concepts théoriques sur l’orchestrationPourquoi utiliser un orchestrateur dans un projet ML ?Démonstration des avantages de la modularité et du parallélisme.Création de workflows dynamiques avec PrefectPrésentation des concepts de "flows" et "tasks".Surveillance et journalisation des workflowsMéthodes pour auditer les exécutions et anticiper les erreurs.AtelierLes participants construiront un pipeline complet incluant nettoyage des données, entraînement, et évaluation. Ils travailleront sur des cas réels impliquant des volumes de données conséquents et apprendront à gérer les pannes et redémarrages automatiques.
Conception d'API pour les modèles ML avec FastAPI
Introduction aux APIs RESTNotions de base sur les architectures REST et leur pertinence pour les modèles ML.Démonstration de FastAPI comme outil performant et facile à apprendreCréation d’une API robusteStructuration des endpoints pour des besoins ML spécifiques.
Utilisation de Pydantic pour la validation des données d’entréeMise en place de tests et documentationTests automatisés des endpoints avec pytest.
Génération automatique de documentation interactive avec Swagger.AtelierDéveloppement d’une API complète intégrant un modèle ML pré-entraîné. Les participants testeront leur solution sur un jeu de données et apprendront à déployer leur API localement avant de la conteneuriser.
Déploiement sur Google Cloud Run
Conteneurisation avancée avec DockerOptimisation des images Docker pour réduire la taille et améliorer les temps dedémarrage.
Gestion des secrets et des variables d’environnementDéploiement final sur Cloud RunCréation de pipelines CI/CD pour automatiser les mises à jour.
Configuration des métriques de scalabilité (autoscaling basé sur le trafic).AtelierLes participants déploieront leur API sur Google Cloud Run, configureront des politiques d’autoscaling et mettront en place des tests de charge pour évaluer la performance de leur solution.
Public cible :
Ce cours s'adresse à toute personne ayant déjà une expérience en machine learning et souhaitant maîtriser les concepts et outils pour passer leurs modèles ML en production.
Prérequis :
Des connaissances préalables en Python et en Machine Learning sont nécessaires pour suivre cette formation. Vous pouvez les acquérir par le biais des formations Python, programme objet (OPYT) et Machine Learning : État de l'art et bonnes pratiques (OMLE).
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 16/06/2025
Dates et lieux
Période souhaitée
Lieux
Type d'affichage